Применении нейросетей в бизнесе - тема хайповая, местами неоднозначная, но интересная. Это история моего пет проекта по созданию личного карьерного консультанта на базе ChatGPT.

Контекст

Задача разработки карьерного ИИ-консультанта была сугубо практической. Несколько месяцев назад пересобирал резюме за 20+ лет работы и на основе архива заметок удалось максимально полно описать весь свой опыт. Позиция, период работы, задачи, результаты, роли, ценность для бизнеса, привязка к карьерному треку, ошибки и успехи, хард и софт скилы - получился богатый и хорошо структурированный набор данных. Прежде всего, это помогло взглянуть на себя со стороны, подвести некоторые итоги и обновить резюме. Но глядя на это добро задался вопросом “А как это можно скормить ChatGPT, чтобы использовать его в поисках работы?”. Так родилась идея разработки своего кастомного GPT.

О чем идет речь простыми словами?

1️⃣ Внутри базовой LLM создаётся “надстройка” которая использует а) отдельную базу знаний пользователя, как дополнительный источник информации и б) инструкции, которые описывают поведение этой “надстройки”

2️⃣ RAG база знаний - набор данных, на основании которых пользователь фактически “дообучает” модель. В моем случае это была информация о моем опыте работы. Но также это могут быть стандарты компании, инструкции, описания процессов - все что описывает, как реально работает конкретный бизнес. Именно это позволяет “погрузить” модель в нужный контекст и делает её ответы более релевантными и точными.

3️⃣ Системные инструкции - описывают проведение модели. Роль, контекст, какие задачи решает, алгоритмы и приоритеты обработки данных, разрешения и запреты, стиль ответов, формат представления результатов. По сути это очень развесистый и подробный промпт.

🔎 ИИ-консультант по поиску работы

🔆 Собрать материалы для базы знаний о своем опыте было непросто, но подготовить их в качестве базы знаний для ChatGPT - еще сложнее. Тут я наступил на все возможные грабли. Машиночитаемые pdf, PowerPoint и Word документы ChatGPT проглотил, но такой формат оказался не особо удобным, учитывая десятки перекрестных связей между задачами и результатами. Пошли галлюцинации и ошибки. Пришлось переработать весь набор документов в формат Markdown и разбить тексты на чанки (блоки данных, которые нейросеть читает одном куском). Не обошлось и без вайбкодинга в Python, чтобы подготовить весь массив данных (сам бы такое никогда не написал!).

🔆 В системных инструкциях жёстко ограничил LLM в интерпретации и выдумывании несуществующих навыков и достижений, строго ограничил контекст только реальными данными из RAG базы знаний. Позже это местами сыграло со мной злую шутку - модель не позволяла мне никаких вольностей и не была достаточно гибкой, даже там где это было оправдано.

Так, путем проб и ошибок, за пару недель сделал личного карьерного ИИ-консультанта, который умеет :

🔆 оценивать степень соответствия моего резюме требованиям вакансий (работает отлично!)

🔆 адаптировать резюме под конкретную вакансию (не безупречно, но даёт пищу для размышлений)

🔆 пишет сопроводительные письма (почти всегда приходится переписывать, но факты подбирает хорошо)

🔆 помогает с позиционированием, критическим анализом моих сильных и слабых сторон

Что имеем по итогам?

✅ Нейросети в умелых руках - мощный инструмент, а в не умелых - превращаются в микроскоп для забивания гвоздей. Навык применения нейросетей уже де-факто стал базой, без которой ты теряешь в эффективности и проигрываешь конкуренцию.

✅ Как и автоматизация, применение ИИ требует исключительно точной постановки задачи (в моем случае это были подробные были системные инструкции) и прозрачных процессов (хорошо структурированная база знаний). Оцифрованный хаос остаётся хаосом.

✅ На личном опыте оценил, какие перспективы открывает применение RAG. “Настроить” нейросеть под контекст своих специфических задач - бесценно! Даже те простейшие инструменты, которые использовал, дали потрясающие результаты. Чего уж говорить про профессиональные подходы и разработки в этом направлении, о которых только читал и от которых бесконечно далек.